目标识别作为高层计算机视觉应用的基础,其主要任务是通过从视觉传感器获取的视频或图像数据中定位出特定目标所在位置并确定其类别信息,通常是以边界框的形式在图像中标识目标的具体位置并在其上方输出类别信息及其置信度。目标识别作为机器人视觉感知的重要技术之一,使机器人实现了一系列的图像识别、文字识别、目标检测等功能。而随着工业实力和技术的发展,对工业机器人的性能和功能要求也越来越高。因此,研究目标识别方法各方面性能,对改进和提高机器人在复杂环境下的感知能力具有理论指导和借鉴意义。为使工业机器人能适应复杂环境下的工作,优化提升目标识别技术的速度、精度、鲁棒性是一项必要且具有现实意义的工作。本文结合工业场景中目标识别面临的挑战,对深度学习目标识别技术的研究从实时性、识别精度和鲁棒性三个方面展开。先通过在与工业场景相似的城市交通背景下的网络公开数据集进行理论方法研究,再将理论研究在自建工业场景数据集中进行验证,实现了工业场景中目标识别技术的优化。论文的主要研究内容总结如下:首先,在实时性方面,研究了公开数据集上YOLO v3模型的轻量化优化方法,通过通道剪枝、层剪枝以及两者的混合剪枝分别在“Urban object detection”数据集上进行实验,实验表明,通道剪枝、层剪枝两种单独剪枝策略都能在保证精度的前提下,轻量化模型,而两者的混合剪枝能使模型参数和模型体积的修剪程度在精度损失较小的条件下能进一步提高。然后,针对连续场景下的目标识别,提出了一种融合时间序列信息和场景先验信息的目标识别方法,该方法利用连续目标帧之间的时序相关性以及人类日常生活中积累的先验知识,实现了时间序列信息和场景先验信息的决策层融合。实验研究表明,该方法可更好的抑制光照条件和目标尺度改变等干扰因素的影响,显著提升目标识别的综合性能。最后,实现了以上两种方法在工业场景中的应用。现有关于工业场景的网络公开数据集较少,不利于研究工作的开展,作者通过采集自制机器制造生产下的工业场景数据集,选取场景中三类基础目标进行技术验证分析。实验表明,模型轻量化优化和信息融合方法在工业场景中同样具有较好的适用性。